admin管理员组

文章数量:1566220

前言

代码地址：github
注意torch的代码都是别人复现的，可能和原文有diff，还是建议github看tf的源码和原paper。
论文：AAAI

系列文章

推荐系统——Neural Collaborative Filtering(NMF)
推荐系统——Deep Interest Network for Click-Through Rate Prediction(DIN)
推荐系统——Deep Interest Evolution Network for Click-Through Rate Prediction(DIEN)
推荐系统——Deep Session Interest Network for Click-Through Rate Prediction(DSIN)
推荐系统——Multi-Interest Network with Dynamic Routing for Recommendation at Tmall(MIND)
推荐系统——Behavior Sequence Transformer for E-commerce Recommendation in Alibaba(BST)
持续更新中…

动机

作者认为用户以往的行为很难直接的表达出用户的兴趣，因此作者选择用GRU对用户潜在的兴趣进行建模。

网络结构

完整结构如下：

整体上和DIN结构相似，图中的attention部分也是沿用的DIN的attention，可以说就是增加了用GRU对序列的行为进行建模。

上图部分，将用户序列行为b(1)编码成embedding后得到e(1)，送到GRU中，输出得到h(1)，隐藏状态传给下一个GRU，以此类推。

上图部分，作者希望用隐藏层来挖掘用户的潜在行为，因此给GRU的输出加上了辅助的损失来监督，我是这么理解的，h(t)是用户在t时刻的行为，h(t+1)是用户在t+1时刻的行为，所以我们也可以参考t时刻的行为预测用户t+1时刻的行为，所以作者设计了这个辅助的loss，正样本就是t+1时刻的行为，负样本是在t+1时刻随机采样的一个负样本。

上图部分的AUGRU其实就可以简单的理解为，用target AD和h(t)参考DIN里面的attention计算得到attention score（这里不懂可以看：DIN）之后对h(t)加权了。
具体计算如下：

效果


在作者的工业数据上看起来比DIN涨了一个点。

本文标签： 系统InterestEvolutionNetworkDeep

版权声明：本文标题：推荐系统——Deep Interest Evolution Network for Click-Through Rate Prediction(DIEN) 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dongtai/1725806952a1044154.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。